Los alumnos deberán aplicar los conocimientos adquiridos a lo largo del curso mediante la realización de tres trabajos o miniproyectos individuales. Cada uno de ellos busca fortalecer distintas habilidades de análisis, aplicación e integración de los conceptos aprendidos. Aunque las entregas son individuales, se fomenta el intercambio de ideas y la discusión entre compañeros antes del desarrollo y entrega de los trabajos, con el fin de enriquecer el aprendizaje colaborativo.

• Motivación
  • De los datos a la información
  • Datos, información y programación ¿Cómo conviven hoy estos elementos en el mundo laboral?
  • ¿Qué es la programación?
  • Aplicaciones prácticas
  • La programación en el mundo laboral y cómo debe convertirse en un hábito
• Secuencias de comandos en Python
• Operaciones básicas
• Creación y asignación de variables
• Operaciones lógicas

• Control de Flujo:
  • If
  • Else
  • Elif
  • Uso en conjunto
• Ciclos:
  • While
  • For

• Tipos de datos: Enteros, decimales, textos y listas.
• Strings
  • ¿Qué es un string?
  • Funciones básicas de un string
  • Funciones avanzadas de un string
• Funciones
  • ¿Qué es una función?
  • ¿Por qué ocupar funciones?
  • Declaración y uso de funciones
• Listas
  • Creación de listas
  • Obtener elementos
  • Añadir elementos o quitar elementos
  • Operaciones sobre listas

• Listas de listas
• Archivos
  • Cómo se interactúa con archivos y para qué sirven
  • Leer archivos
  • Escribir archivos
• Procesamiento de datos
  • Carga masiva
  • Edición masiva
  • Ejemplos prácticos

• Listas y listas de listas
• Manipulación de listas
• Funciones sobre listas
• Diccionarios
• Operaciones sobre diccionarios
• Aplicaciones de diccionarios
• Aplicaciones con listas y diccionarios
• Tuplas como tipo de dato inmutable
• Operaciones sobre tuplas
• Combinando listas, tuplas y diccionarios

• Concepto de función
• Definición de funciones
• Parámetros y valores de retorno
• Importación y llamado de módulos
• Invocación de funciones y scope
• Parámetros con nombre y parámetros por defecto
• Funciones recursivas
• Aplicación de funciones

Los alumnos deberán aplicar los conocimientos adquiridos a lo largo del curso mediante la realización de tres trabajos o miniproyectos individuales. Cada uno de ellos busca fortalecer distintas habilidades de análisis, aplicación e integración de los conceptos aprendidos. Aunque las entregas son individuales, se fomenta el intercambio de ideas y la discusión entre compañeros antes del desarrollo y entrega de los trabajos, con el fin de enriquecer el aprendizaje colaborativo.

• Variables y transformaciones

• Variables y efecto del tamaño
• Funciones de probabilidad (PMF)

• Distribuciones continuas
• Familia exponencial
• Funciones de distribución acumulada (CDF)

• Distribuciones continuas
• Gráficas distribución lognormal
• Diagramas de dispersión
• Correlación

• Covarianza
• Testeo de hipótesis
• Diferencia de medias
• Formalización

• Testeo de correlación y testeo de proporciones
• Mínimos cuadrados lineales
• Introducción a las series de tiempo

Un profesor ayudante interactúa directamente con un grupo reducido de participantes para ayudar a resolver problemas técnicos remanentes, como por ejemplo la correcta instalación de herramientas de software y el uso apropiado de algunas herramientas. Asimismo, para la preparación de set de datos para la reducción de dimensionalidad, y guiar el trabajo en las diferentes técnicas de reglas de asociación, algoritmos de clasificación, clustering y medidas de similaridad.

Los alumnos deberán aplicar los conocimientos adquiridos a lo largo del curso mediante la realización de tres trabajos o miniproyectos individuales. Cada uno de ellos busca fortalecer distintas habilidades de análisis, aplicación e integración de los conceptos aprendidos. Aunque las entregas son individuales, se fomenta el intercambio de ideas y la discusión entre compañeros antes del desarrollo y entrega de los trabajos, con el fin de enriquecer el aprendizaje colaborativo.

• Preprocesamiento de datos
• Selección y transformación de datos

• Árbol de decisión
• KNN
• Random Forest

• Clustering
• K-means
• Clustering jerárquico

• Modelo de entrenamiento
• Métricas de evaluación

Los alumnos deberán aplicar los conocimientos adquiridos a lo largo del curso mediante la realización de tres trabajos o miniproyectos individuales. Cada uno de ellos busca fortalecer distintas habilidades de análisis, aplicación e integración de los conceptos aprendidos. Aunque las entregas son individuales, se fomenta el intercambio de ideas y la discusión entre compañeros antes del desarrollo y entrega de los trabajos, con el fin de enriquecer el aprendizaje colaborativo.

• Análisis visual de series de tiempo
• Componentes de una serie de tiempo
• Estacionariedad de una serie de tiempo
• Tratamiento de una serie de tiempo no estacionaria
• Tipos de modelos de series de tiempo
• Modelos MA

• Minería de texto
• Web scraping

• Aprendizaje por refuerzo
• Métodos de Monte Carlo

• Funciones de valor
• Q-Learning

• Estructura de una red neuronal artificial
• Entrenamiento de redes neuronales artificiales
• Otros tipos de redes neuronales

• Modelos fundacionales
• Inteligencia artificial generativa